利用机器学习与大数据分析在异构网络中优先调度门诊患者
计算机与社会
2019-11-12 v1
摘要
在本文中，我们引入机器学习方法，根据门诊患者（OP）的当前健康状况对其进行优先级排序，从而实现根据用户需求智能自适应的自优化异构网络（HetNet）。我们使用朴素贝叶斯分类器分析从 OP 医疗记录获取的数据，以及来自医疗物联网（IoT）传感器提供的 OP 当前状态数据。我们利用该机器学习算法计算危及生命病症（此处为 imminent stroke）的可能性。根据 OP 当前健康状况的严重性分配高功率资源块（RB），使其保持连接并以最小延迟将关键数据发送至指定医疗机构。利用混合整数线性规划（MILP）公式，我们提出了两种从用户-RB 分配角度优化 HetNet 上行链路的方法：加权和速率最大化（WSRMax）方法和比例公平（PF）方法。利用这些方法，我们阐明了所提系统在为医疗 IoT 传感器提供可靠连接、使 OP 保持连接质量与速度方面的效用。此外，我们展示了系统响应如何随 OP 医疗状况的变化而改变。
引用
@article{arxiv.1903.06045,
title = {Using Machine Learning and Big Data Analytics to Prioritize Outpatients in HetNets},
author = {Mohammed Hadi and Ahmed Lawey and Taisir El-Gorashi and Jaafar Elmirghani},
journal= {arXiv preprint arXiv:1903.06045},
year = {2019}
}
备注
6 pages, 4 figures, IEEE INFOCOM 2019 accepted conference paper